
Podobne ako lineárna regresia aj logistická regresia predpokladá linearitu. Predpokladá však lineárny vzťah medzi logitom a číselnými nezávislými premennými. Predstavíme si najbežnejšie používané metódy testovania predpokladu linearity, možnosti riešenia porušenia predpokladu linearity a na záver si to ukážeme na jednoduchom príklade s výstupmi. Ako úvod do logistickej regresie odporúčame článok o tom, kto mal najväčšiu pravdepodobnosť prežitia na Titanicu ako aj pokročilejšiu užitočnú interpretáciu výsledkov logistickej regresie pomocou medzných efektov.
Medzi najbežnejšie využívané postupy testovania a overovania predpokladu linearity v logistickej regresii patria:
Pokiaľ bola identifikovaná nelineárna závislosť je možné uvažovať o nasledujúcich možnostiach:
Grafy nám dokážu o prípadnom tvare nelinearity aj napovedať. Po odhade modelu, ktorý rieši prípadnú nelinearitu, je vhodné ho porovnať s pôvodným modelom a rozhodnúť či došlo k významnému skvalitneniu modelu aj na úkor jeho prípadnej interpretácie.
Testovanie predpokladu linearity v logistickej regresii si ukážeme na príklade zlyhania úverov (default) s nezávislými číselnými premennými počet rokov u súčasného zamestnávateľa (employ), dĺžka pobytu na súčasnej adrese v rokoch (address), podieľ dlhu k príjmu (x100) (debtinc)a dlh na kreditnej karte v tisícoch (creddebt). Odhad modelu je v nasledujúcej tabuľke.

Z bodových grafov jednotlivých číselných nezávislých premenných oproti logitu sa zdá, že predpoklad linearity je splnený pre všetky číselné nezávislé premenné. Zelená krivka je LOESS krivka a červená prerušovaná čiara je optimálna priamka preložená bodmi v bodovom grafe. Medzi obidvoma krivkami by nemal byť veľký rozdiel pokiaľ je predpoklad linearity splnený.




S využitím Box-Tidwell testu je záver rovnaký a teda, predpoklad linearity je pre všetky číselné nezávislé premenné splnený, pretože ani jeden interakčný člen (employ_ln, address_ln, debtinc_ln a creddebt_ln) nie je štatisticky významný (stĺpec Sig.).

K rovnakému záveru dospejeme aj na základe grafov parciálnych rezíduí s využitím working rezíduí, kde opäť zelená krivka je LOESS krivka a červená prerušovaná čiara je optimálna priamka preložená bodmi v bodovom grafe.




Videozáznam: na 3 měsíce od ukončení kurzu ZDARMA
Formát: online přes MS Teams
The framing here cleared up something that used to confuse me: logistic regression does assume linearity, but it’s a linear relationship between the logit and the numeric independent variables — not between the predictors and the outcome itself. That distinction alone justifies the article. I also like the practical arc of the piece, moving from the most commonly used testing methods to the options for handling a violation of the assumption, and closing with a simple worked example. Diagnostic sections tend to stay abstract, so ending on a concrete example is the right call. Would love to see the same treatment applied to the proportional odds assumption in ordinal models someday.
Thank you for your positive comment. We try our best. We also appreciate the suggestion for a future article. We can say that there are ways to verify proportional odds in ordinal regression, such as the Brant test or test of parallel lines. Without a doubt, it would deserve a similar type of article, and we believe we will prepare one. We wish you all the best.